Este curso está especialmente dirigido a aquellos interesados en:

• Conozca los fundamentos que subyacen a las soluciones de IA actuales. Sin un profundo calado técnico ni matemático, pero con el rigor suficiente para conocer sus mecanismos.
• Conocer los diferentes enfoques de lo que se denomina Inteligencia Artificial, y brindar el panorama actual de posibilidades y sus aplicaciones.
• Abordar una aproximación práctica a la IA, enfocando su estudio a través del análisis práctico de los diferentes problemas que ahora pueden ser resueltos gracias a los últimos avances en la materia.

El curso no requiere fundamentos técnicos previos en IA y está abierto a:

• Profesionales TIC.
• Ingenieros o profesionales que trabajen en sectores tecnológicos.
• Profesionales con conocimientos actuales sobre soluciones de desarrollo de software pero que no están familiarizados con las soluciones de IA actuales (principalmente centradas en aprendizaje automático y profundo).

• Introducción a los elementos fundamentales básicos, saltándose los conocimientos matemáticos profundos y con solo algunos antecedentes en programación y desarrollo de software.
• Principalmente práctico, con muchos casos de uso
• Soluciones integrales y diferentes casos de uso
• Un enfoque centrado en los datos recomendado por Andrew Ng para abordar el uso de la IA en la resolución de problemas.
  • Un enfoque de Foundation Model, donde los modelos se presentarán con las explicaciones necesarias para comprenderlos, pero con el enfoque principal en usarlos para resolver problemas particulares y desafíos futuros
• Uso de herramientas de última generación para resolver todas las etapas de análisis, desarrollo y despliegue de productos de IA:
  • Descripción general de Python y las bibliotecas principales
  • Herramientas de AutoML: pycaret (ML de código bajo), BigML (soluciones sin código basadas en datos), etc.
  • Google Colaboratory, Jupyter Notebooks, VSCode + Copilot (y otros posibles asistentes de IA), etc.
  • HuggingFace y otros proveedores de modelos básicos de código abierto
  • Implementación: API REST, acopladores

Módulo 1. Introducción al aprendizaje automático para profesionales de las TIC

Introducción a la inteligencia artificial

• Definición de inteligencia y de inteligencia artificial
• Tipos de IA
• Diferentes enfoques de la IA
• Panorama actual, áreas de aplicación y ventajas e inconvenientes

Introducción al aprendizaje automático

• Deducción vs. Inducción
• Principios del aprendizaje automático
• Métricas y evaluación de modelos de aprendizaje automático.
• Sesgo.
• Ciclo de vida del aprendizaje automático Ingeniería de características y manipulación de datos
• Diferentes enfoques y técnicas principales del aprendizaje automático (Regresión lineal, regresión logística, Naïve Bayes, SVM, árboles de decisión, métodos de conjunto)
• Principales bibliotecas de Python para el aprendizaje automático
• Introducción a las herramientas de AutoML

Introducción al aprendizaje profundo

• Una breve introducción a la neurona artificial, las redes neuronales y el aprendizaje profundo
• Algunos ejemplos básicos basados en redes neuronales feed-forward

Módulo 2. Introducción al aprendizaje profundo para profesionales de las TIC

Introducción al aprendizaje profundo

• Enfoque conexionista del aprendizaje automático
• El aprendizaje profundo como un subconjunto del aprendizaje automático
• Información de entrada estructurada frente a no estructurada y aprendizaje de representaciones
• Entrenamiento de una red neuronal, descenso de gradiente y retropropagación
• Regularización y optimización

Redes neuronales convolucionales

• El operador convolucional
• Capas convolucionales
• Capas de agrupación (pooling)
• Capa densa final
• Aprendizaje por transferencia
• Arquitecturas comunes de CNN
• Detección y segmentación de objetos

Redes neuronales recurrentes y una introducción básica a los transformadores

• RNN básica ‘vanilla’
• LSTM y GRU
• Modelos de lenguaje
• Mecanismo de atención e introducción a los transformadores
• Modelos de lenguaje grandes
• Algunos ejemplos de soluciones NLP

Autoencoders y redes generativas antagónicas

• Codificadores, decodificadores, autoencoders y autoencoders variacionales
• Redes generativas antagónicas (GAN)

Módulo 3. Modelos fundamentales en la IA discriminativa y generativa

Introducción a los modelos fundamentales

• IA discriminativa e IA generativa
• Introducción a los modelos fundamentales (FM)
• Proceso básico de entrenamiento de los FM
• Ajuste fino, aprendizaje por transferencia, aprendizaje contextual

FM en NLP, ASR, texto a voz y otros

• FM en NLP, ASR, texto a voz y otros contextos basados en texto
  Aplicaciones en análisis de sentimientos, resumen, chatbots, etc

FM en IA generativa multimodal

• Modelos de difusión estables
• FM en generación de imágenes, vídeos, animaciones

Módulo 4. Despliegue. Servicios en la nube. MLOps.

MLOps

• Introducción al flujo de trabajo del ciclo de ML
• Introducción a MLOps

Despliegue de un modelo

• Modelos como servicios
• Entornos y dockers
• Despliegue de modelos ML/DL

Introducción a Big Data y Big Data para ML

• Introducción a Big Data
• Principales plataformas de Big Data
• Apache Spark e integración en modelos ML

Solución en la nube para ML

• Introducción a la computación en la nube
• Diferentes alternativas para soluciones basadas en la nube para la generación y despliegue de modelos ML/DL
• Caso de uso basado en Microsoft Azure ML

Módulo 5. Proyecto final.

Para garantizar el seguimiento del curso, se exigirá participación en el foro, a través de preguntas, dando respuestas a otros compañeros o añadiendo información de interés común (como enlaces a temas relacionados o noticias etc.). Mínimo de 1 aportación mensual.

La nota final dependerá de la evaluación realizada de:

• Un trabajo por módulo (4 módulos) 50%
• Un proyecto final (50%).

La asistencia a las clases síncronas no será obligatoria. Estas clases serán grabadas y publicadas, de forma que cualquier estudiante podrá acceder al contenido cuando quiera, con el propósito de adaptarse al horario que más le convenga.